Atmospheric pollutant dispersion estimation at the scale of the neighborhood using sensors, numerical and deep learning models
Estimation de la dispersion des polluants atmosphériques à l'échelle du quartier à l'aide de capteurs, des modèles numériques et d'apprentissage profond
Résumé
This thesis is at the crossroad of four domains, computational fluid dynamics (CFD), data mining, deep learning and airquality. The objective of the thesis is to assess dwellers’ exposures to atmospheric pollutants using the recent advancesin artificial intelligence. The thesis revolves around the different time scales requested by the regulations, going fromannual to real time. To do so, innovative approaches to assess mean annual concentrations were developed for modelingas well as for sensors. For modeling a statistical methodology based on wind roses frequencies associated with a flowchartto determine the numerical error from the discretization was proposed. For the sensors, data from all around Francewere analyzed to establish relationship between measured monthly concentrations with annual ones for particulatematter and nitrogen oxides. To determine pollution exposure in real time, a system using considering traffic,meteorological and 3D building layout was created built around a deep learning model was created. The system revolvesaround a deep learning model. This model, multiResUnet, have been chosen after comparison with other classical stateof-the-art convolutional models and optimized for the dispersion pollution issue. To train it, examples from CFD weregenerated efficiently following guidelines developed in this thesis. The system was then applied on a real neighborhoodof 1km2 with real traffic data and compared with CFD. It managed to perform well on classical air quality metrics andreach a J3D score of 62%.
La présente thèse est à la croisée de quatre domaines, la mécanique des fluides numériques (CFD), le data mining, le deep learning et la qualité de l'air. L'objectif de la thèse est d'évaluer l'exposition des habitants aux polluants atmosphériques en utilisant les récentes avancées en intelligence artificielle. La thèse s'articule autour des différentes échelles de temps demandées par la réglementation, allant de l'annuel au temps réel. Pour ce faire, des approches innovantes pour évaluer les concentrations annuelles moyennes ont été développées pour les outils de modélisation ainsi que pour les capteurs de pollution de l'air. Pour la modélisation, une méthodologie statistique basée sur les fréquences des roses des vents associées à un organigramme permettant de déterminer l'erreur numérique due à la discrétisation a été proposée. Pour les capteurs, des données provenant de toute la France ont été analysées pour établir la relation entre les concentrations mensuelles mesurées et les concentrations annuelles pour les particules fines et les oxydes d'azote. Pour déterminer l'exposition à la pollution en temps réel, un système prenant en compte le trafic, la météorologie et la disposition des bâtiments a été créé avec en son cœur un modèle d'apprentissage profond. Le système s'articule autour d'un modèle d'apprentissage profond. Ce modèle, multi ResUnet, a été choisi après comparaison avec d'autres modèles convolutifs classiques de l'état de l'art et optimisé pour la problématique de la dispersion de polluant.Pour l'entraîner, des exemples issus de la CFD ont été générés efficacement en suivant des principes développés dans cette thèse. Le système a ensuite été appliqué sur un quartier réel de 1km2 avec des données de trafic réels et comparé à la CFD. Il a réussi à obtenir de bonnes performances sur les mesures classiques de la qualité de l'air et à atteindre un score de similarité J3D de 62%
| Origine | Version validée par le jury (STAR) |
|---|